使用 n8n 建立潛在客戶擷取工作流程：整合 Apollo、AI 評分與錯誤處理

我使用 n8n 建立了一個潛在客戶擷取與資格評估的工作流程，整合了 Apollo、OpenAI、Airtable、Slack 和 Gmail。我想分享這個工作流程的架構，特別是其中的備援邏輯與錯誤處理機制。

這個工作流程的運作方式如下：首先，Webhook 會擷取透過網路表單提交的新潛在客戶。接著，Apollo API 會豐富化潛在客戶的公司資訊，包括產業、公司規模、營收、網站和 LinkedIn 等。

然後，一個 OpenAI 代理會分析潛在客戶的訊息和公司資料，給予 0 到 80 分的評分，並將其分類為「熱門」、「溫和」或「冷門」，同時提供簡短的解釋。最後，Airtable 會建立或更新潛在客戶記錄，並檢查電子郵件是否有重複，而 Slack 和 Gmail 則會向團隊發送通知。

有趣的部分是：當資料豐富化失敗時會發生什麼？在測試期間，我發現當豐富化資料缺失時，AI 評分會出現問題。在沒有足夠公司背景資訊的情況下，同一個潛在客戶可能會收到截然不同的分數，從 25 分到 77 分不等。

我決定不讓 AI 隨意猜測，而是採取不同的處理方式。如果 Apollo 資料豐富化失敗，工作流程會跳過 AI 評分，潛在客戶會被標記為「未評分」。該潛在客戶仍會儲存到 Airtable 中，同時會發送一個單獨的 Slack 通知，提醒團隊資料豐富化失敗。

對於 AI 評分的分支，我還使用了結構化輸出解析器（Structured Output Parser），以確保回應格式一致，然後再儲存到 Airtable。我測試了成功的流程和失敗情境，包括故意使用無效的 API 憑證，以檢查備援路徑是否按預期運作。

我從這個專案學到的一件事是，缺少 AI 評分比一個看起來準確但不可靠的評分要好。我們的目標是確保資料豐富化失敗不會阻止潛在客戶被儲存，也不會導致誤導性的評分資料。這個專案的技術堆疊包括 n8n、Apollo API、OpenAI、Airtable、Slack 和 Gmail。